/ Модель

Характеристики

Лицензия
Своя лицензия
Опубликована
2 дек 2025

VLANeXt

Языковая модельИзображение, текст → action

VLANeXt — модель зрительно-языкового управления роботами для обучения и оценки универсальных политик на симуляционных и реальных задачах.

0скачиваний за 30 дней7лайковвеса обновлены28 авг 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

VLANeXt — модель Vision-Language-Action для обучения универсальных роботизированных политик. Авторы пересмотрели варианты архитектуры VLA в единой системе оценки и сформулировали 12 практических выводов о фундаментальных компонентах, восприятии и моделировании действий.

Модель предназначена для оценки на наборах задач LIBERO и LIBERO-plus, а также для управления роботами в реальных экспериментах. В README сообщается о превосходстве над предыдущими методами и хорошей способности к обобщению на экспериментах, однако подробности архитектуры и численные результаты здесь не приведены. Репозиторий содержит контрольные точки в формате PyTorch. Лицензия указана как other; условия использования следует сверить с файлами репозитория.

Сценарии применения

  • оценка роботизированной политики на LIBERO
  • оценка обобщения на LIBERO-plus
  • обучение универсальной политике робота по изображению и языковой инструкции
  • проверка управления роботом в реальных экспериментах

Ограничения

README не приводит подробностей архитектуры, размера модели, поддерживаемых языков или количественных результатов. Условия лицензии обозначены только как other.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

VLANeXt: Recipes for Building Strong VLA Models

arXiv Project Page GitHub Awesome VLA

VLANeXt is a Vision-Language-Action (VLA) model designed for general-purpose robotic policy learning. By systematically reexamining the VLA design space, the authors distill a set of 12 practical findings that significantly improve model performance and generalization across benchmarks like LIBERO and LIBERO-plus.

📖 Abstract

Following the rise of large foundation models, Vision–Language–Action models (VLAs) emerged, leveraging strong visual and language understanding for general-purpose policy learning. Yet, the current VLA landscape remains fragmented and exploratory. VLANeXt reexamines the VLA design space under a unified framework and evaluation setup, dissecting design choices along three dimensions: foundational components, perception essentials, and action modelling perspectives. The resulting model outperforms prior state-of-the-art methods and demonstrates strong generalization in real-world experiments.

🛠️ Usage

This repository hosts the checkpoints for evaluation on the LIBERO and LIBERO-plus benchmark suites. For environment setup, training, and evaluation instructions, please refer to the official VLANeXt GitHub repository.

📚 Citation

If you find VLANeXt useful for your research or applications, please cite the paper:

@article{wu2026vlanext,
    title={VLANeXt: Recipes for Building Strong VLA Models}, 
    author={Xiao-Ming Wu and Bin Fan and Kang Liao and Jian-Jian Jiang and Runze Yang and Yihang Luo and Zhonghua Wu and Wei-Shi Zheng and Chen Change Loy},
    journal={arXiv preprint arXiv:2602.18532},
    year={2026}
}

🗞️ License

This project is licensed under the NTU S-Lab License 1.0.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм

Нельзя запустить

Модели для роботов не запускаются как сервис инференса.

Ревизия весов
360e74c

0 моделей